COMP-01 · Asignación Inteligente de Formación de Compliance

00

Antes de empezar

El problema que resuelve este tutorial: Asignar formaciones obligatorias de Compliance a miles de empleados con funciones y niveles de exposición al riesgo diferentes requiere revisiones manuales complejas. El resultado habitual es asignaciones genéricas que no reflejan el riesgo real de cada puesto.

Lo que vas a construir: Un flujo en el que ChatGPT analiza las descripciones de puesto, clasifica los perfiles de riesgo (BAJO / MEDIO / ALTO / CRÍTICO) y genera una matriz de asignación de formaciones. Make automatiza la notificación a los empleados y el seguimiento en el LMS.

Al terminar este tutorial tendrás

Una matriz de asignación de formaciones validada, lista para importar en tu LMS.

Clasificación de perfiles de riesgo por puesto (BAJO / MEDIO / ALTO / CRÍTICO)
Formaciones obligatorias, recomendadas y opcionales por perfil
Frecuencia de renovación para cada formación
Flujo de notificación automatizado con Make
Justificación documentada de cada asignación (para auditorías)

Requisitos previos:

Obligatorio ChatGPT Enterprise o Business (con DPA firmado). No usar versiones gratuitas o de consumo.

Obligatorio Listado de puestos con descripción de funciones exportado del sistema de RRHH (CSV o Excel).

Obligatorio Catálogo de formaciones disponibles en el LMS (códigos y nombres).

Recomendado Cuenta Make (plan básico suficiente para automatizar notificaciones y seguimiento).

01

Decisión previa: ¿qué camino seguir?

Antes de empezar, decide qué arquitectura vas a usar según el nivel de sensibilidad de los datos. Las descripciones de puesto revelan la estructura organizativa interna y los perfiles de riesgo de cada empleado. Eso es información corporativa sensible.

Alternativa más robusta

Camino A — On-premises

La opción más robusta desde el punto de vista de seguridad. Los datos no salen de tu infraestructura. Requiere servidor con GPU o CPU potente y configuración técnica inicial. Recomendado si tu organización tiene requisitos GxP o políticas de datos estrictas.

Recomendado para este caso

Camino B — ChatGPT + Make con anonimización

Válido si puedes anonimizar los datos de forma efectiva sin perder la utilidad del análisis. Más rápido de implementar. Requiere ChatGPT Enterprise o Business con DPA firmado y cláusula de no entrenamiento. Nunca versiones gratuitas.

Sector farmacéutico: Si tu organización opera bajo normativa GxP (GMP, GCP, GVP), la opción on-premises elimina cualquier riesgo regulatorio. Consulta con tu equipo de Compliance antes de elegir el camino cloud.

A

Camino A — On-premises (infraestructura propia)

Cuándo usar este camino: Cuando los datos de RRHH no pueden salir de tu infraestructura o cuando la política de seguridad de la organización lo requiere.

Modelos recomendados:

Llama 3.3 70B Mistral Large 2 Qwen 2.5 72B

Plataforma de despliegue: Ollama + n8n auto-hospedado para la automatización del LMS.

Infraestructura mínima: Servidor con GPU (mínimo 24 GB VRAM para modelos de 70B en cuantización Q4) o CPU con 64 GB RAM para modelos de 7-13B. Acceso en red local para los usuarios autorizados.

Nota: El despliegue on-premises requiere configuración técnica especializada. Si no tienes equipo técnico interno, contacta con Ágere para el despliegue con las garantías legales y de seguridad necesarias para el sector farmacéutico.

B

Camino B — ChatGPT + Make con anonimización previa

Cuándo es válido: Solo si los datos pueden anonimizarse de forma efectiva sin perder la utilidad del análisis.

Herramientas permitidas: ChatGPT Enterprise o Business con DPA firmado y cláusula de no entrenamiento. Nunca versiones gratuitas o de consumo.

Proceso de anonimización obligatorio: Antes de subir cualquier documento, elimina o pseudonimiza: nombres de personas, DNIs, números de empleado, datos de pacientes, información estratégica identificable.

Herramientas de anonimización recomendadas: Microsoft Presidio (open source), ARX Data Anonymization Tool.

Garantías contractuales necesarias: DPA firmado, cláusulas contractuales tipo (SCCs) para transferencias internacionales, confirmación de no uso para entrenamiento.

Importante: La clasificación de riesgo generada por IA es orientativa. Las decisiones finales sobre obligaciones de formación deben ser validadas por el equipo de Compliance y RRHH, y comunicadas conforme al convenio colectivo aplicable.

01

Exportar y anonimizar el listado de puestos

El input de ChatGPT es un CSV con los puestos y sus responsabilidades. Sin nombres ni datos personales.

1

Exporta el listado de puestos desde tu sistema de RRHH en formato CSV. Columnas necesarias: código de puesto, título del puesto, departamento, descripción de funciones principales. No incluyas nombres de empleados ni datos identificativos.
2

Elimina o pseudonimiza cualquier dato personal identificable. Revisa que no haya nombres, DNIs, números de empleado ni referencias a personas concretas. Si usas Microsoft Presidio, ejecuta el escáner automático antes de continuar.
3

Añade el catálogo de formaciones disponibles en tu LMS. Prepara una lista con los códigos de formación (F1, F2, F3...) y una descripción breve de cada una. ChatGPT la usará para hacer las asignaciones específicas a tu catálogo real.

Checkpoint: Tienes un CSV anonimizado con puestos y funciones, y un listado de formaciones disponibles. Sin datos personales identificables.

02

Configurar ChatGPT para el análisis

Antes de ejecutar el prompt, configura el contexto de la sesión para que ChatGPT entienda el marco regulatorio específico de tu organización.

1

Abre ChatGPT Enterprise o Business y crea un nuevo proyecto. Usa la función "Projects" para mantener el contexto entre sesiones. Nombra el proyecto "Compliance Training Matrix [año]".
2

Adjunta el CSV anonimizado con los puestos al proyecto. En la pantalla del proyecto, usa el botón de adjuntar archivo (clip o "+" según la versión). ChatGPT podrá referenciar el documento durante toda la sesión.
3

Verifica que la cláusula de no entrenamiento está activa en tu cuenta. En ChatGPT Enterprise: Settings → Data Controls → confirma que "Improve the model for everyone" está desactivado. En Business: el administrador de la cuenta debe haberlo configurado en el panel de administración.

Checkpoint: Proyecto creado en ChatGPT Enterprise/Business, CSV adjunto, cláusula de no entrenamiento verificada.

03

Ejecutar el prompt de clasificación

Copia el prompt de la sección siguiente, ajusta los valores entre corchetes y ejecútalo. ChatGPT generará la matriz de asignación completa.

1

Copia el prompt completo de la sección "Prompt completo" más abajo. El prompt usa la estructura CREATA (Contexto, Rol, Ejemplo, Acción, Tono, Advertencias). Está diseñado para producir un output estructurado importable al LMS.
2

Sustituye [NÚMERO] por el número real de empleados y ajusta las formaciones F1-F6 a tu catálogo. Si tu LMS usa códigos diferentes (por ejemplo, "FORM-001" en lugar de "F1"), reemplaza los códigos en el prompt. El nombre de los módulos también debe coincidir con los de tu catálogo real.
3

Envía el prompt y espera la respuesta completa antes de hacer cualquier ajuste. ChatGPT tardará entre 30 segundos y 2 minutos dependiendo del número de puestos. No interrumpas la generación. Si la respuesta se corta, escribe "Continúa desde donde lo dejaste" para completarla.

Consejo: Si tienes más de 100 puestos, divide el CSV en lotes de 50 y ejecuta el prompt por lotes. Indica en cada lote "Este es el lote 2 de 3" para mantener la coherencia de criterios entre ejecuciones.

04

Validar la clasificación con el equipo de Compliance

La clasificación de IA es el punto de partida, no el resultado final. El equipo de Compliance debe revisar y validar antes de implementar.

1

Exporta la clasificación generada a un Excel o Google Sheets. Pide a ChatGPT que reformatee el output como tabla CSV si no lo ha hecho ya. Copia el resultado en una hoja de cálculo con columnas: Código puesto, Título, Nivel de riesgo, Formaciones obligatorias, Formaciones recomendadas, Frecuencia, Justificación.
2

Revisa con el responsable de Compliance los puestos clasificados como ALTO y CRÍTICO. Prioriza la revisión de los perfiles de mayor riesgo. Para cada puesto CRÍTICO, verifica que las formaciones asignadas cubren todos los requisitos regulatorios aplicables (EFPIA, GxP, RGPD, Ley Farma).
3

Documenta los cambios realizados durante la validación. Añade una columna "Revisado por" y "Fecha de validación" en la hoja de cálculo. Esta documentación es necesaria para auditorías futuras y para demostrar que la clasificación ha sido supervisada por un humano.

Checkpoint: Matriz validada y firmada por el responsable de Compliance. Cambios documentados con justificación.

05

Exportar la matriz al LMS

Con la matriz validada, importa las asignaciones en tu sistema de gestión de formación (LMS).

1

Adapta el formato del CSV al esquema de importación de tu LMS. Cada LMS tiene su propio formato de importación. Consulta la documentación de tu plataforma (Cornerstone, SAP SuccessFactors, Moodle, TalentLMS, etc.) para conocer las columnas requeridas y el formato de los códigos de formación.
2

Realiza una importación de prueba con un subconjunto de 10-20 puestos. Antes de importar toda la matriz, verifica que el formato es correcto con una muestra pequeña. Comprueba que las asignaciones aparecen correctamente en los perfiles de los empleados afectados.
3

Importa la matriz completa y verifica los contadores de asignación. Tras la importación completa, comprueba que el número de asignaciones creadas coincide con el esperado. Revisa especialmente los puestos CRÍTICO para confirmar que todas las formaciones obligatorias están asignadas.

Checkpoint: Matriz importada en el LMS. Asignaciones visibles en los perfiles de empleados. Contadores verificados.

06

Automatizar notificaciones y seguimiento con Make

Make conecta el LMS con el correo corporativo y los sistemas de seguimiento para automatizar las notificaciones a empleados y los recordatorios de renovación.

1

Crea un escenario en Make con el módulo HTTP o el conector nativo de tu LMS como trigger. Si tu LMS tiene API REST, usa el módulo HTTP de Make para conectarte. Si no, usa el conector nativo si está disponible (Make tiene conectores para Cornerstone, TalentLMS, Moodle). El trigger debe activarse cuando se crea una nueva asignación de formación.
2

Configura el módulo de correo para enviar la notificación inicial al empleado. El correo debe incluir: nombre de la formación, fecha límite, enlace directo al curso en el LMS, y el motivo de la asignación (perfil de riesgo). Usa plantillas de correo aprobadas por RRHH para mantener el tono corporativo.
3

Añade un módulo de recordatorio automático 15 días antes del vencimiento. Configura un segundo escenario en Make que consulte el LMS cada semana y envíe recordatorios a los empleados con formaciones pendientes a menos de 15 días del vencimiento. Incluye al manager en copia para los perfiles ALTO y CRÍTICO.

Checkpoint: Escenario Make activo. Notificaciones de prueba enviadas y recibidas correctamente. Recordatorios automáticos configurados.

P

Prompt completo

Copia este prompt, sustituye los valores entre corchetes y adjunta el CSV anonimizado antes de enviarlo.

Variables a personalizar

[NÚMERO] Número total de empleados en la organización

[F1-F6] Códigos y nombres de las formaciones disponibles en tu LMS

[ADJUNTA] CSV anonimizado con puestos y descripciones de funciones

Prompt — Asignación Inteligente de Formación de Compliance [C — Contexto] Soy el responsable de Compliance de una empresa farmacéutica con [NÚMERO] empleados. Necesito clasificar automáticamente los perfiles de riesgo de Compliance de nuestros empleados para asignar las formaciones obligatorias correspondientes. [R — Rol] Actúa como experto en Compliance farmacéutico y gestión de riesgos de formación. Tu objetivo es crear una matriz de asignación de formaciones basada en el perfil de riesgo real de cada puesto — no en criterios genéricos. [E — Ejemplo] El puesto "Medical Science Liaison" tiene exposición alta a riesgos de interacciones con profesionales sanitarios (HCP), conflictos de interés y normativa de transparencia (Ley Farma). Debe recibir formación específica en: código EFPIA, declaración de transferencias de valor, y gestión de conflictos de interés. [A — Acción] A partir de las descripciones de puesto adjuntas [ADJUNTA: listado de puestos con descripción de funciones], realiza: 1. Clasificación de perfil de riesgo para cada puesto: BAJO / MEDIO / ALTO / CRÍTICO. 2. Criterios de clasificación: qué factores determinan el nivel de riesgo (acceso a datos, interacción con HCPs, manejo de fondos, etc.). 3. Matriz de asignación: para cada perfil de riesgo, qué formaciones son obligatorias, recomendadas y opcionales. 4. Frecuencia de renovación: cada cuánto tiempo debe renovarse cada formación por perfil. 5. Excepciones: puestos que requieren formación adicional por características específicas. FORMACIONES DISPONIBLES: - F1: Anticorrupción y Código Ético (obligatoria todos) - F2: RGPD y Protección de Datos (obligatoria empleados con acceso a datos personales) - F3: Farmacovigilancia (obligatoria empleados en funciones regulatorias/médicas) - F4: Conflicto de Intereses y Regalos (obligatoria empleados con contacto con HCPs) - F5: Competencia y Antitrust (obligatoria empleados en ventas/marketing/compras) - F6: Compliance Avanzado (directivos y empleados de alto riesgo) [T — Tono] Técnico y estructurado. El output debe poder importarse directamente al LMS corporativo o usarse como base para la configuración de Make. Formato: tabla CSV con columnas: Código_puesto, Título_puesto, Nivel_riesgo, Formaciones_obligatorias, Formaciones_recomendadas, Frecuencia_renovación, Justificación. [E — Extra / Advertencias legales] DATOS PERSONALES: Las descripciones de puesto no deben incluir datos personales identificables de empleados concretos. Trabaja con categorías de puesto, no con personas. LICENCIAS: Usa ChatGPT Enterprise o Business. Las versiones gratuitas no son aptas para información corporativa de RRHH. DECISIONES SOBRE EMPLEADOS: La clasificación de riesgo generada por IA es orientativa. Las decisiones finales deben ser validadas por el equipo de Compliance y RRHH.

R

Resultado esperado

Esto es lo que deberías obtener tras ejecutar el prompt con un CSV de puestos farmacéuticos típico:

Ejemplo de output — Extracto de la matriz generada

Clasificación de perfiles de riesgo

Medical Science Liaison → CRÍTICO
Formaciones obligatorias: F1, F2, F3, F4, F6
Frecuencia: Anual (F1, F4, F6) · Bienal (F2, F3)
Justificación: Contacto directo con HCPs, manejo de datos clínicos, exposición a riesgos de transparencia EFPIA y conflictos de interés.

Distribución típica por nivel de riesgo

BAJO (30-40% de puestos): Funciones administrativas sin contacto externo ni acceso a datos sensibles.
MEDIO (30-35%): Funciones de soporte con acceso a datos personales o contacto indirecto con HCPs.
ALTO (15-20%): Ventas, marketing, compras, funciones con acceso a datos estratégicos.
CRÍTICO (5-10%): Directivos, MSLs, funciones regulatorias, acceso a datos de pacientes.

Formato del CSV de salida

Columnas: Código_puesto · Título_puesto · Nivel_riesgo · Formaciones_obligatorias · Formaciones_recomendadas · Frecuencia_renovación · Justificación
Listo para importar en Cornerstone, SAP SuccessFactors, TalentLMS o cualquier LMS con importación CSV.

Impacto medible: Organizaciones farmacéuticas que han implementado este flujo reportan una reducción del 60-70% en el tiempo dedicado a la revisión manual de asignaciones, y una mejora del 40% en la tasa de completación de formaciones obligatorias en plazo.

T

Troubleshooting

Problemas habituales y cómo resolverlos:

Problema	Causa probable	Solución
ChatGPT clasifica todos los puestos como MEDIO	Las descripciones de puesto son demasiado genéricas o no incluyen información sobre responsabilidades específicas	Añade al CSV una columna con las responsabilidades clave de cada puesto (acceso a datos, contacto externo, manejo de fondos). Cuanto más específica sea la descripción, más precisa será la clasificación.
La respuesta se corta antes de completar todos los puestos	El CSV tiene demasiados puestos para una sola ejecución	Divide el CSV en lotes de 30-50 puestos. En cada lote, incluye al inicio del prompt: "Este es el lote [N] de [TOTAL]. Mantén los mismos criterios de clasificación que en los lotes anteriores."
El formato de salida no es importable en el LMS	ChatGPT no ha generado el CSV en el formato exacto requerido	Añade al final del prompt: "Genera el output exclusivamente en formato CSV, con las columnas separadas por punto y coma (;), sin texto adicional antes ni después de la tabla."
Make no puede conectarse al LMS	El LMS no tiene API REST o requiere autenticación especial	Usa el módulo "HTTP" de Make con autenticación básica o API key. Si el LMS no tiene API, exporta el CSV manualmente e importa vía la interfaz del LMS. Automatiza solo las notificaciones por correo en ese caso.
El equipo de Compliance rechaza la clasificación de varios puestos	ChatGPT no tiene contexto sobre la normativa específica de tu organización	Añade al prompt una sección [Contexto adicional] con las normativas específicas aplicables a tu organización (convenios sectoriales, políticas internas, requisitos de certificación). Itera con el equipo de Compliance para refinar los criterios.

Resultado

Qué vas a obtener

Documento que especifica el formato y ejemplos de outputs automatizados para implementar una asignación inteligente de formación de Compliance usando ChatGPT y Make, listo para integrarse con un LMS corporativo.

Ejemplo de output

Estructura del output

Formato recomendado: JSON/CSV por lote con campos mínimos: id_empleado, nombre_empleado, id_puesto, titulo_puesto, nivel_riesgo (Alto/Medio/Bajo), cursos_asignados (lista de identificadores), prioridad (alta/media/baja), fecha_limite, canal_notificacion (LMS/webhook/email), motivo_asignacion (regla o frase resumen), puntaje_confianza (0-100). Ejemplo de payload para Make: {"id_empleado":"E1234","id_puesto":"P567","titulo_puesto":"Analista Senior","nivel_riesgo":"Alto","cursos_asignados":["C-AML","C-Ethics"],"fecha_limite":"2026-08-31","canal_notificacion":"LMS_webhook","puntaje_confianza":92}. Incluir metadatos: versión del modelo (ChatGPT Business/Enterprise), timestamp, y hash de verificación para auditoría. Definir mapeos al catálogo del LMS (IDs de curso) y reglas de prioridad para evitar asignaciones genéricas: aplicar listado de exclusiones y umbrales de puntaje_confianza debajo de los cuales se marca para revisión manual.

Señales de un buen output

Asignaciones coherentes con la matriz de riesgos de la organización, baja tasa de reasignaciones manuales (<5%), puntajes de confianza consistentes (>85% para automatización plena), logs de Make con ejecución exitosa y notificaciones entregadas al LMS sin errores, trazabilidad completa (timestamp y versión del modelo) y control de cambios. El proceso debe ejecutarse en el tiempo previsto (implementación inicial 60-90 minutos; flujo de procesamiento por lote en segundos/minutos) y cumplir requisitos de seguridad (entorno on-premises recomendado para datos sensibles) y gobernanza (registro de aprobaciones si la política lo exige).

Señal de que el output es bueno: El output es válido cuando las asignaciones coinciden con la matriz de riesgo en más del 95% de los casos, las notificaciones llegan al LMS sin errores y las tareas no requieren correcciones manuales reiteradas.

→

Siguiente paso

Tienes la matriz de formaciones activa y el flujo automatizado. Estos son los pasos naturales para ampliar el caso de uso:

Siguiente tutorial

COMP-02 · Supervisión Inteligente de Pagos y Transacciones

Detecta patrones anómalos en pagos a HCPs y proveedores con ChatGPT. Mismo sector, mayor complejidad regulatoria.

Explorar más casos

Casos de Compliance en el sector farmacéutico

Todos los casos de uso de IA aplicados a Compliance y RRHH en Farmacéutica y Salud.

Biblioteca completa

Todos los tutoriales AI4PDG

100+ tutoriales prácticos organizados por herramienta, función y sector.

Implementación profesional

Hablar con Ágere

Si necesitas desplegar esta solución en infraestructura on-premises con garantías legales y de seguridad para el sector farmacéutico.